[发明专利]基于RBF神经网络的并联电抗器内部老化程度评估方法

说明书

本发明涉及一种基于RBF神经网络的并联电抗器内部老化程度评估方法，对高压并联电抗器噪声信号进行采集，同时记录该电抗器投运时间，提取各通道信号中的基频幅值；将每台电抗器噪声信号基频幅值输入RBF神经网络预测它的期望运行年限，并与其实际投入年限相比较，通过两者误差判断电抗器内部是否有明显缺陷，当预测结果远远偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响。本发明属于高压并联电抗器电抗器的深度状态评估，从电抗器内部老化的角度进行状态评估。通过噪声信号数据与投运年限训练RBF神经网络，从而得到基于网络模型输出的投运年限。

技术领域

本发明属于一种利用高压并联电抗器振动噪声数据集对其运行年限预测诊断的方法，具体涉及一种基于RBF神经网络的并联电抗器内部老化程度评估方法。

背景技术

高压并联油浸式电抗器是电力系统中重要的设备之一，对电力系统稳定、安全运行具有重要意义。目前国内外对并联电抗器的噪声特性有了大量研究，在致力于对电抗器油箱表面减振降噪的同时，可以利用其传播出的声信号中丰富的特征量评估电抗器内部机械状态。电抗器长期运行的过程中，内部逐渐发生机械老化、热老化等反应，振动加剧、声学信号异常。

高压并联电抗器的噪声与其电气性能和机械性能一样，都是极为重要的技术参数，油箱本体噪声水平的大小，是衡量其运行水平和缺陷程度的重要指标之一。无论电抗器内部结构是否良好，混合噪声通过电抗器内部结构元件传递到外壳并向四周辐射，因此油箱表面噪声可以作为判断电抗器运行状况的一个重要因素。

将电抗器油箱表面的声信号加以处理，通过RBF神经网络预测它的运行年限，并与其实际投入年限相比较。当预测结果远远偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响。

发明内容

本发明适用于在具备完备高压并联电抗器振动噪声数据集的前提下，对其进行投运年限预测故障诊断。

本发明的技术方案：

一种基于RBF神经网络的并联电抗器内部老化程度评估方法，对高压并联电抗器噪声信号进行采集，同时记录该电抗器投运时间，提取各通道信号中的基频幅值；

将每台电抗器噪声信号基频幅值输入RBF神经网络预测它的期望运行年限，并与其实际投入年限相比较，通过两者误差判断电抗器内部是否有明显缺陷，当预测结果远远偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响。

进一步的，高压并联电抗器在实际运行过程中，铁芯和绕组由于受到应力作用产生振动，利用振动传感器和传声器获取相关测点的振动数据，利用历史数据对未来时间内的数据进行预测，从而进行状态评估。

进一步的，利用在线监测系统对高压并联电抗器进行振动噪声信号采集，利用RBF神经网络其过程包含以下几个步骤：1)采集油箱表面4个测点的噪声信号；2)对数据进行快速傅里叶变换，提取基频幅值；3)将大量基频幅值组成向量与电抗器年限所对应。

进一步的，针对噪声信号与投运年限的RBF神经网络算法步骤如下：

步骤1：确定输入向量X：X＝[x₁,x₂,...,x_n]^T，n为输入层单元数

步骤2：确定输出向量Y：Y＝[y₁,y₂,...,y_q]^T，q是输出层单元数

步骤3：初始化隐含层至输出层的连接权值W_k＝[w_k1,w_k2,...,w_kp]^T(k＝1,2,...,q)

其中p是隐藏层单元数，q是输出层单元数；